Haben Sie Fragen? Rufen Sie uns an:

+49 160 6941977

DE

Homepage / Blog / Selbst bauen oder kaufen? Warum sich ein eigenes Tool zur Wettbewerbspreisanalyse – sogar mit KI-Agenten – nur selten lohnt

Selbst bauen oder kaufen? Warum sich ein eigenes Tool zur Wettbewerbspreisanalyse – sogar mit KI-Agenten – nur selten lohnt

In den allermeisten Fällen ist der Kauf einer fertigen Preisvergleich-Software günstiger als der Eigenbau – nicht weil der Prototyp teuer wäre (der ist billig), sondern weil Betrieb, Anpassung der Datenquellen, Produktzuordnung und Preis-Sicherheitsmechanismen das Vielfache einer Jahreslizenz kosten.

Im E-Commerce führt man derzeit überall dasselbe Gespräch. Jemand aus dem Team öffnet einen KI-Coding-Assistenten und hat am Ende des Nachmittags einen funktionierenden Prototypen: ein Skript, das Wettbewerbspreise von einigen Seiten in eine Tabelle zieht. Sieht großartig aus. Und die naheliegende Frage folgt: Warum zahlen wir eigentlich für ein Tool?

Das ist eine berechtigte Frage, und wir nehmen sie ernst unter die Lupe. Die Eigenlösung funktioniert tatsächlich – das Problem ist nur, dass die versprochenen Einsparungen hauptsächlich auf dem Papier existieren. Nachfolgend eine ehrliche Kalkulation.

Dieser Text ist Teil unserer Pricing-Serie: wie man ein Tool zur Konkurrenzpreisanalyse und eine Lösung zur Preisautomatisierung auswählt, sowie was eine Done-for-you.

Lernen Sie alle Funktionen unserer Plattform bei einer kostenlosen Online-Präsentation kennen.

Dealavo-Demo vereinbaren

Der Prototyp löst die günstigsten 5 % des Problems

Ein Scraper, der heute funktioniert, und Daten, auf die man sich täglich verlassen kann – das sind zwei verschiedene Dinge. Die hausgemachte Lösung reicht für den ersten Teil. Ihre Marge hängt jedoch vom zweiten Punkt ab.

Ein an einem Nachmittag gebauter Entwurf beweist nur eines: dass sich eine bestimmte Seite an diesem Tag von einer bestimmten IP-Adresse per Skript auslesen ließ. Er gibt keine Garantie dafür, was Pricing-Daten in Geld verwandelt: dass dieselben Daten auch morgen kommen, dass Produkte korrekt zugeordnet sind, dass ein Fehler bemerkt wird, bevor er in Ihre Preise beeinträchtigt, und dass jemand um drei Uhr nachts eine Störung behebt, bevor die morgendliche Preisaktualisierung läuft.

Der gesamte Kostenunterschied verbirgt sich genau in dieser Lücke – zwischen „funktioniert bei uns im Test“ und „darauf lässt sich ein Geschäft aufbauen“. Gehen wir nun alles Schritt für Schritt durch.

Kosten Nr. 1: Daten überhaupt zuverlässig und in großem Maßstab erheben

Große E-Commerce-Plattformen wehren sich aktiv gegen automatisierte Datenabrufe. Der DIY-Weg bedeutet daher sofort: Proxy-Netzwerke, Browser-Emulation, JavaScript-Rendering und ein andauerndes Tauziehen mit Anti-Bot-Systemen. Ein KI-Assistent schlägt hilfsbereit all diese Tools vor – er ändert aber weder die Kosten noch die Fragilität einer solchen Lösung.

Kommerzieller Proxy-Traffic und Rendering-Infrastruktur bedeuten monatliche Rechnungen ohne Ende – und bei der Skala eines echten Wettbewerbsmonitorings können allein diese Kosten einem Anbieter-Abo entsprechen oder diesen übersteigen.
Dass es heute funktioniert, heißt noch lange nicht, dass es nächste Woche auch so sein wird. Wenn eine Seite die IP-Adresse Ihres Unternehmens vorübergehend toleriert, ist es sehr wahrscheinlich, dass sie diese nach einer Woche regelmäßigen Abrufs sperrt – und die selbstgebaute Variante bleibt von einem Tag auf den anderen stehen.

Zum Vergleich: Hinter der Datenerfassung bei Dealavo steht eine dedizierte Infrastruktur – externe und eigene Proxy-Mechanismen, Rendering, Techniken zum Auslesen moderner, dynamischer Seiten – betreut von einem spezialisierten fünfköpfigen Ingenieurteam, dessen einzige Aufgabe der zuverlässige Datenabruf ist. Diese ganze Kette ist zudem kostenoptimiert aufgebaut: Für jede Datenquelle beginnen wir mit der günstigsten wirksamen Methode, teurere Techniken kommen erst dann zum Einsatz, wenn die Seite uns dazu zwingt. Genau dadurch geht die Rechnung bei tausend Quellen auf – und das Team existiert, weil dieses Problem bei dieser Skala nie ein für alle Mal gelöst ist.

Kosten Nr. 2: laufender Betrieb, den niemand ins Budget schreibt

Und hier eine Zahl, die die meisten „Selbst bauen oder kaufen“-Diskussionen beendet. Dealavo betreibt rund 1000 Datenquellen – und an einem durchschnittlichen Tag fallen etwa fünf davon aus, weil ein Onlineshop das Seitenlayout geändert, die Seite umgebaut oder einen neuen Bot-Schutz eingeführt hat. Die meisten Reparaturen gehen schnell. Aber alle ein bis zwei Tage gibt es einen Fall, der folgendes in der Praxis bedeutet: die Anbindung an diese Quelle muss umgebaut werden.

Skaliert man das auf ein DIY-Projekt mit 20 Wettbewerbsseiten herunter, holt die Statistik einen trotzdem ein: Alle paar Wochen geht etwas Wesentliches kaputt – ohne Vorwarnung. Das Dashboard zeigt einfach die Preise von gestern oder verliert den wichtigsten Konkurrenten, und Ihr Team trifft Preisentscheidungen auf Basis veralteter Angaben, ohne davon zu wissen.

Dealavo betreibt eine zweite Infrastrukturschicht, die ausschließlich eines tut: überwacht, ob der Datenabruf selbst funktioniert. Hinzu kommt ein fünfköpfiges Team, das Störungen behebt: für Standardquellen bis zum Morgen nach dem nächtlichen Abruf, für kritische Quellen mit Nachtbereitschaft und Reaktion innerhalb von etwa einer Stunde. Kunden erhalten von uns die Information, was ausgefallen ist und wann es behoben wird – bevor sie es selbst bemerken.

Und jetzt eine praktische Frage: Wer bei Ihnen wird für dieses System dauerhaft verantwortlich sein? Was wird diese Person im Gegenzug nicht tun? Und was passiert, wenn sie das Unternehmen verlässt? Eine interne App geht meistens gemeinsam mit dem Know-how eines solchen Mitarbeiters in Rente.

Kosten Nr. 3: Matching – der Fehler, den man nicht sieht, bis er Geld kostet

Preise sammeln ist die sichtbare Hälfte der Arbeit. Die andere Hälfte ist festzustellen, welches Angebot tatsächlich dasselbe Produkt betrifft – und davon hängt ab, ob die Daten überhaupt etwas wert sind.

Wo es einen sauberen EAN gibt, ist das Matching einfach – und ein DIY-Skript kommt damit klar. Aber im echten Sortiment fehlt der Code oft oder ist irreführend: wir sprechen hier von Eigenmarken, Sets, Multipacks oder Varianten. Dann braucht es Produktzuordnung über Bezeichnungen, Attribute oder Bilder – mit KI-Unterstützung – und bei wirklich schwierigen Fällen manuelle Verifizierung. Dealavo hat dafür eine Anomalieerkennung: Wenn ein Angebot mit starken Vergleichskriterien passt, der Preis aber drastisch abweicht, wird es vom System zur Prüfung markiert.

Warum ist das so wichtig? Weil Matching-Fehler nicht wie Fehler aussehen. Sie sehen aus wie Daten. Und wenn diese Daten ein automatisches Dynamic Pricing speisen, wird aus einem Fehltreffer ein inkorrekter Preis in Ihrem Webshop, auf vielen Produktseiten, bevor überhaupt jemand nachfragt.

Kosten Nr. 4: Anwendungsschicht – leicht zu kopieren, schwer im großen Maßstab zu betreiben

Ein Dashboard ist ehrlich gesagt der einfachste Teil zum Nachbauen mit KI-Hilfe – und bei einem kleinen Katalog kann ein selbstgemachter Arbeitsbereich völlig in Ordnung sein. Die Falle liegt in der Skalierung. Wettbewerbspreisdaten wachsen rasant: viele Verkäufer pro Produkt, mehrere Kanäle, tägliche Aktualisierungen und dazu eine Dimension, ohne die die Analyse ihren Sinn verliert – die Preishistorie. Dealavo lädt zweistellige Millionen Preise täglich, und diese Datenmenge – inklusive Historie – blitzschnell anzuzeigen, hat Jahre Ingenieurarbeit gekostet. Ein am Wochenende zusammengebautes Panel auf denselben Daten wird nicht spektakulär abstürzen; es wird einfach immer langsamer, bis am Ende niemand mehr damit zufrieden ist.

Kosten Nr. 5: der letzte Schritt – ERP und Preisautomatisierung, wo Fehler teuer werden

Der riskanteste Teil der gesamten Kette ist an ihrem Ende: das Einspielen der Preisempfehlungen in Ihre Systeme und die Preisautomatisierung.

ERP-Integrationen reifen jahrelang an untypischen Sonderfällen. Ausgereifte Konnektoren haben Jahre solcher Situationen hinter sich – inklusive Absicherungen gegen einen Fehler, der absurd klingt, bis er passiert. Beispiel: eine Preisempfehlung wurde ins falsche ERP-Feld eingetragen.
Automatische Preisanpassung braucht mehr Sicherheitsmechanismen als Geschicklichkeit. Ein Engine für die Automatisierung von Preisregeln sollte über ein umfangreiches System aus Limits und Absicherungen verfügen, damit keine übereilte Empfehlung ins System rutscht und Ihre Marge zerstört. Das ist keine theoretische Vorsicht: Wir haben am Markt bereits Fälle gesehen, in denen eine zu naive Regel die Preise deutlich unter die Marge drückte und Verluste größer als die Kosten irgendeines Tools erzeugte – bevor es jemand bemerkte.

Und eben diese Asymmetrie entscheidet die meisten „Selbst bauen oder kaufen“-Debatten: Die Konsequenz eines Fehlers im DIY ist nicht „wir müssen das Skript korrigieren“, sondern ein Wochenende Verkauf unter Kosten.

„Aber wir nutzen doch auch KI-Agenten“ – ja, und zwar sehr Intensiv. Genau darum geht es.

Das ist kein Text gegen KI. Die Entwickler von Dealavo haben geradezu die Pflicht, mit agentischen Coding-Lösungen zu arbeiten – bei voller menschlicher Verantwortung für Code und Architektur. Wir betreiben fein abgestimmte Agenten-Tools, die sowohl den Start als auch den Betrieb unserer Crawler unterstützen, und KI setzen wir im gesamten Datenbetrieb ein, einschließlich Produkt-Matching über Bilder. Der Umfang unseres KI-Einsatzes ist wirklich groß.

Und genau deshalb wissen wir, wo KI heute an ihre Grenzen stößt: Selbst spezialisierte Agenten, die jeden Tag an genau diesem Problem arbeiten, kommen nicht ohne Menschen aus. Sie beschleunigen die Arbeit unserer Ingenieure – ersetzen dabei aber weder deren Urteilsvermögen noch die Nachtbereitschaft und Verantwortung.

Der einfachste Test unserer Ehrlichkeit: Könnte agentische KI allein den Betrieb führen, hätten wir das längst so umgesetzt. Kaum jemand hat eine stärkere Motivation, das täglich in der Praxis zu prüfen, als wir. Die heutige Antwort lautet: Sie kann es nicht.

Preismonitoring: Ein eigenes System ist nur 5 % der Arbeit

Die ehrliche Rechnung

Stellen wir das so gegenüber, wie man Kosten im Unternehmen rechnet:

	Eigenbau (auch mit KI-Hilfe)	Anbieter (z. B. Dealavo)
Zum Start	Nachmittag bis einige Wochen – wirkt fast kostenlos	Abonnement ab dem ersten Monat
Infrastruktur	Proxies, Rendering, Server – monatliche Rechnungen	im Preis enthalten
Personalaufwand	dauerhaft ein Teilzeitanteil mindestens eines Ingenieurs	im Preis enthalten (zwei dedizierte Teams, Nachtbereitschaft)
Störungen	leise; spät entdeckt; behoben, wenn jemand Zeit hat	durch Monitoring erkannt; Info mit Lösungstermin
Matching-Qualität	auf Barcode-Niveau; schwierige Fälle ohne Verifizierung	Algorithmen + KI + manuelle Kontrolle + Anomalieerkennung
Fehlerkosten	ausschließlich Ihre – falsch bepreiste Produkte, niemand zum Anrufen	Absicherungen, Limits, vertragliche Zusagen
Risiko eines einzigen Verantwortlichen	das Tool geht mit ihm	keins
Was Ihr Team statt Aufrechterhaltung der DIY-Lösung macht	—	Preisstrategie statt Störungsbehebung

Ein Abonnement konkurriert hierbei nicht mit der „kostenlosen“ Variante. Es konkurriert mit dem Betrieb eines internen Mikro-Startups – mit Rechnungen für die Infrastruktur, Stellen, Bereitschaftsdiensten und voller Verantwortung für jeden unerwarteten Fehler – dessen einziger Kunde Sie selbst sind.

Wann der Bau einer eigenen Lösung Sinn ergibt

Der Fairness halber – drei Fälle, in denen Eigenbau rational ist: 1) Webdaten sind der Kern Ihres Geschäfts (in der Praxis werden Sie zum Datenunternehmen); 2) Sie brauchen einige Quellen, die von Zeit zu Zeit geprüft werden, und ein Mensch schaut sowieso vor jeder Preisänderung drüber; oder 3) Sie haben ein Data-Engineering-Team mit real freien Kapazitäten und ohne Automatisierung am Ende des Prozesses. Wenn Sie ein Dev-Team und einen Katalog bis zu 100 SKUs haben, kann ein Open-Source-Framework wie Scrapy oder Playwright in Kombination mit PostgreSQL für den Start reichen – insbesondere, wenn Sie akzeptieren, dass der Betrieb bei Ihnen bleibt. Wenn die Preise aber automatische Entscheidungen in einem echten Katalog verursachen – sind wir wieder am Ausgangspunkt.

Fünf Fragen vor der Freigabe eines internen Projekts

Wer – mit Vor- und Nachnamen – ist ein Jahr nach dem Start für dieses System verantwortlich, und was tut diese Person im Gegenzug nicht mehr?
Wie hoch werden die monatlichen Infrastrukturkosten in vollem Umfang (Proxies, Rendering, Server) – nicht bei Prototyp-Skala?
Woher werden wir wissen, dass der Abruf im Hintergrund nicht mehr funktioniert – bevor falsche Preise im Onlineshop landen?
Wer verifiziert Produktzuordnungen ohne vergleichbare Codes, und was verhindert, dass ein falsches Match Ihr Produkt neu bepreist?
Was kostet uns im schlimmsten Fall ein unbemerkter Preisfehler – und wer trägt diese Kosten?

Wenn auf alle fünf Fragen konkrete Antworten kommen, lässt sich das Projekt ernst nehmen. Nach unserer Erfahrung endet das Gedankenexperiment meistens bei Frage drei.

Zum Start – fast immer. Bei den Gesamtkosten – fast nie, wenn man die monatlichen Rechnungen für Proxies und Infrastruktur, den ständigen Zeitanteil eines Ingenieurs und die geschäftlichen Kosten stiller Fehler dazurechnet. Auf der Ebene des gesamten Katalogs ist der Betrieb das Produkt.
Ständig – das ist die Natur des Webs. Von rund 1000 Dealavo-Quellen fallen an einem durchschnittlichen Tag etwa fünf aus, und alle ein bis zwei Tage muss eine praktisch von Grund auf neu gebaut werden – meist, weil die Seite ihr Layout geändert oder einen neuen Bot-Schutz eingeführt hat. Ein kleines DIY-Projekt misst sich mit derselben Internetumgebung, nur ohne jemanden auf der Wache
Ja, und genau darum geht es. Es verlagert diesen ganzen laufenden Betrieb auf ein Team, das ihn für Hunderte Kunden gleichzeitig führt, mit Monitoring, Bereitschaftsdiensten und vertraglichen Service-Level-Vereinbarungen. Diese Skaleneffekte kann kein einzelner Händler bei sich intern nachbilden.
Eine Regel ohne Sicherheitsmechanismen oder ein falsches Produkt-Matching, das reale Preise ohne Kontrolle unter die Marge drückt. Der Markt hat naive Preisanpassungsregeln gesehen, deren Verluste Jahre an Tool-Abonnements übertrafen. Davor schützen Sicherheitsmechanismen und von Menschen verifizierte Daten.
Ja – einen funktionierenden Eigenbau, schnell, und das ist wirklich beeindruckend. Was sie aber nicht liefern, ist alles drumherum: eine Proxy-Infrastruktur, die sich nicht blockieren lässt, tägliche Reparaturen ausfallender Quellen, bewährtes Produkt-Matching und Absicherungen gegen falsche Preisänderungen. Der Prototyp deckt gerade mal die günstigsten 5 % des Problems.

Quellen und Methodik

Betriebsdaten von Dealavo: ~1000 Datenquellen, zweistellige Millionen Preise täglich, 5-köpfiges Ingenieurteam zur Crawler-Wartung (Stand 2026)
Beobachtungen aus dem Dealavo-Kundenportfolio (mehrere hundert Retailer aus Polen und dem DACH-Raum)
Open-Source-Frameworks zur Referenz: Scrapy, Playwright, PostgreSQL

Auskunft: Der Artikel entstand unter Mitwirkung des Dealavo-Teams. Aussagen zum Markt, zu Störungen und Infrastrukturkosten basieren auf internen Beobachtungen und öffentlich zugänglichen Quellen.

Auf dieser Seite